Avez-vous vraiment besoin de toutes ces données de capteur brutes ? Non ! Il y a une meilleure solution

Si vous créez des applications qui se nourrissent de flux de données de capteurs, il y a de grandes chances que vous soyez un accro des données comme moi. Le fait de voir vos capteurs déverser des données dans vos applications procure une certaine satisfaction, et il est facile d'ajouter davantage de flux de données grâce à la multitude de capteurs facilement disponibles.

Les systèmes de capteurs peuvent capturer des macro-événements qui sont décomposés en une séquence étendue de mesures avec des niveaux de détail incroyables. Même le plus fervent accro aux données admettra néanmoins que des quantités massives de données brutes ne contribuent pas en elles-mêmes à atteindre les objectifs de l'application. Ce sont les événements eux-mêmes qui comptent et non pas les mesures finement détaillées de chaque événement. Heureusement, l'émergence de capteurs intelligents peut aider à remettre l'accent sur les événements importants pour les applications et leurs utilisateurs.

À mesure qu'il devient plus facile de générer davantage de données de capteur, les flux de données se transforment en torrents de mesures brutes susceptibles de submerger le matériel et les logiciels embarqués destinés à exploiter utilement toutes ces données. Il ne s'agit pas seulement d'une question de données qui dépassent les capacités des canaux de traitement et de communications. Les mesures détaillées peuvent devenir une distraction pour les développeurs et utilisateurs de l'application, qui s'attachent alors à de petits détails au lieu des abstractions de plus haut niveau qui sont généralement nécessaires à la prise de décision.

Travailler avec des abstractions

Par définition, l'abstraction implique une certaine perte de détails. Pour les applications axées sur les données, le fait de travailler avec des données dérivées extraites de plusieurs mesures brutes peut inquiéter les ingénieurs qui craignent, à juste titre, de rater certains détails qui pourraient s'avérer importants par la suite. Cette préoccupation est certainement valable pour des applications telles que les enregistreurs de données pour le transport et la sécurité, qui doivent identifier des événements nouveaux ou déterminer les causes principales d'un événement.

Cependant, pour de nombreuses applications grand public et industrielles, les caractéristiques spécifiques d'un événement d'intérêt sont bien connues. La chute soudaine d'une personne ou d'un objet génère des artéfacts de mouvement spécifiques, et les défaillances des moteurs industriels présentent des modèles de vibration prévisibles. Les détails de ces caractéristiques ne sont généralement pas importants pour de nombreuses applications de niveau supérieur. L'application a seulement besoin d'être alertée lorsque l'événement de chute ou de défaillance se produit. Bien sûr, les mécanismes utilisés pour détecter la condition d'alerte exigent des mesures de capteur détaillées.

J'ai été confronté au même problème sur un projet qui générait une quantité massive de données pour une application traitant des événements de haut niveau. Les données détaillées étaient nécessaires pour générer ces informations d'événement de haut niveau, mais nous manquions d'espace de stockage si nous tentions d'archiver toute donnée de mesure, au-delà d'une certaine brève période d'activité. Une méthode d'abstraction basée sur l'apprentissage automatique et d'autres méthodes analytiques nous ont permis de résoudre le problème.

Après de nombreux tests, nous étions sûrs de pouvoir générer l'abstraction à la volée et simplement écraser les anciennes données de mesure.

Cibler les événements

Des capteurs de pointe comme la ligne d'unités de mesure inertielle (IMU) iNEMO de STMicroelectronics offrent ce type de fonctionnalité pour des applications avec des systèmes toujours actifs. Les IMU basse consommation incluent le dispositif LSM6DSOX pour les applications grand public alimentées par batterie, le LSM6DSRX pour les applications haute précision et l'ISM330DHCX pour les applications industrielles. Ces IMU intègrent une machine à états finis (FSM) programmable et un cœur d'apprentissage automatique (MLC) que vous pouvez entraîner en utilisant vos propres ensembles de données d'entraînement (consultez l'article « Utiliser le cœur d'apprentissage automatique intégré d'un capteur intelligent pour optimiser le suivi de mouvement « permanent »).

Lorsque l'un de ces dispositifs détecte les modèles associés à un événement d'intérêt, il peut générer une interruption pour un processeur hôte. Le processeur hôte peut alors exécuter la logique d'application appropriée. En fait, si vous voulez les données de mouvement brutes, seules ou en combinaison avec les interruptions d'événement, vous pouvez lire les données de mesure brutes, comme avec tout capteur de mouvement (Figure 1).

Figure 1 : Les IMU iNEMO de STMicroelectronics intègrent une chaîne numérique complète qui génère des données mises en forme pour la machine FSM et le cœur MLC intégrés, et pour l'accès hôte via la mémoire tampon FIFO de l'IMU. (Source de l'image : STMicroelectronics)

La capacité du capteur à surveiller ses propres mesures et à identifier des événements plus abstraits réduit la charge sur le processeur et le canal de communications, et ouvre la voie à une nouvelle génération de capteurs intelligents. Plus important encore, les capteurs capables d'analyser des données brutes en interne et de produire des informations utiles ouvrent la voie à des conceptions d'apprentissage automatique (ML) plus efficaces qui fournissent davantage de données dérivées que de mesures brutes.

Conclusion

Le fait d'axer une solution applicative sur les données dérivées plutôt que sur les mesures brutes n'exige pas de capteur compatible ML. Pour des ensembles de données relativement simples, le processeur hôte du système de capteur peut disposer de suffisamment de cycles disponibles pour exécuter une arborescence de décisions afin d'identifier des événements. Cependant, pour des déploiements plus importants, vous pouvez utiliser une ressource d'edge computing entre le capteur et l'hôte en amont pour effectuer la transformation par abstraction. Quelle que soit la méthode employée, la réduction des données aux abstractions utiles est un atout pour les domaines d'application où moins peut signifier plus.

Référence :

Utiliser le cœur d'apprentissage automatique intégré d'un capteur intelligent pour optimiser le suivi de mouvement « permanent »

1 – https://www.digikey.fr/fr/articles/use-a-smart-sensors-built-in-machine-learning-core-to-optimize-always-on-motion-tracking